Der Begriff \u201cLernen\u201d in der Lernkurve leitet sich aus dem Ph\u00e4nomen des \u201cLearning-by-doing\u201d ab: Je \u00f6fter wir eine Aufgabe ausf\u00fchren oder etwas herstellen, desto effizienter werden wir, was im Laufe der Zeit zu geringeren Kosten f\u00fchrt. Diese schrittweisen Verbesserungen f\u00fchren wiederum zu langfristigen Kostensenkungen. Dies steht im Gegensatz zu Kostenverbesserungen, die mit neuen Erfindungen oder technologischen Durchbr\u00fcchen einhergehen.\u00a0 Das Ph\u00e4nomen des \u201eLernens\u201c wurde am bekanntesten f\u00fcr den Flugzeugbau dokumentiert<\/a> Im Jahr 1936 wurden erstmals die Produktionskosten von Flugzeugen gegen deren kumulierte Produktionsmenge aufgetragen, wodurch der Begriff \u2019Wright\u2019s Law\u2018 gepr\u00e4gt wurde. Solche Kurven, die die Kosten gegen die kumulierte Produktionsmenge darstellen, sind heute als \u2019Lernkurven\u2018 f\u00fcr Technologien bekannt. Es ist auch erw\u00e4hnenswert, dass \u2019Erfahrungsraten\u2018 und \u2019Erfahrungskurven\u2018 in diesem Bereich h\u00e4ufig als Synonyme verwendet werden. <\/p>\n\n\n\n Die g\u00e4ngigste Methode zur Ermittlung von Lernraten f\u00fcr Kostenprognosen bestand bislang darin, historische Kostendaten an eine Lernkurve f\u00fcr einzelne Technologien anzupassen. Alternativ k\u00f6nnen Experten gebeten werden, die Technologiekosten zu prognostizieren. Dies hat jedoch sich als weniger zuverl\u00e4ssig erwiesen hat<\/a> als die Verwendung von Lernraten. Wie lassen sich also Lernraten f\u00fcr Technologien in der Fr\u00fchphase ermitteln, wenn keine historischen Kostendaten zur Sch\u00e4tzung einer Lernkurve vorliegen? <\/p>\n\n\n\n Die aktuelle Literatur zum Thema Innovation zeigt einen Weg in die Zukunft auf: Malhotra & Schmidt<\/a> entwickelte eine Technologietypologie, die Technologien anhand ihrer inh\u00e4renten Merkmale \u2013 Konstruktionskomplexit\u00e4t und Anpassungsbedarf \u2013 klassifiziert und aufzeigt, dass komplexere und st\u00e4rker angepasste Technologien einen langsameren Lernprozess aufweisen (siehe Abb. 1). Weitere Studien<\/a> haben zudem gezeigt, dass Technologien mit gr\u00f6\u00dferen Baugr\u00f6\u00dfen geringere Lernraten aufweisen. Basierend auf diesen Theorien weisen Technologien in der Fr\u00fchphase, wie beispielsweise direkte Luftabscheidung<\/a> (DAC)-Technologien und Fusionsenergie<\/a>, \u2026 wurden hinsichtlich ihrer inh\u00e4renten Eigenschaften untersucht, um eine wahrscheinliche Lernrate zu ermitteln. Aber warum interessieren uns Lernraten? <\/p>\n\n\n\n Stellen Sie sich einen politischen Entscheidungstr\u00e4ger vor, der heute zwischen zwei neuartigen sauberen Technologien w\u00e4hlen muss, in die er investieren m\u00f6chte. Technologie A ist heute g\u00fcnstiger, doch erste Anzeichen deuten auf eine geringe Lernkurve hin. Technologie B ist heute teuer, wird aber wahrscheinlich eine hohe Lernkurve aufweisen. Wenn der politische Entscheidungstr\u00e4ger sich aufgrund der derzeit h\u00f6heren Kosten gegen eine Investition in B entscheiden w\u00fcrde, k\u00f6nnte B seine Lernkurve nicht durchlaufen und somit nicht wesentlich billiger als A werden. Eine Untersch\u00e4tzung der Lernkurve von B h\u00e4tte dazu gef\u00fchrt, dass langfristige Ineffizienz zugunsten kurzfristiger Effizienz geopfert worden w\u00e4re. <\/p>\n\n\n\n Dieses Szenario ist nicht nur hypothetisch. Jahrzehntelang galt die Photovoltaik aufgrund ihrer hohen Kosten als Nischenenergiequelle. Dennoch f\u00f6rderte Deutschland den fr\u00fchzeitigen Ausbau durch Einspeiseverg\u00fctungen, vor allem aus Gr\u00fcnden der Energiesicherheit und zur Erreichung klimapolitischer Ziele. China hat die Branche dann massiv ausgebaut. Infolgedessen ist Solar-PV heute eine der weltweit g\u00fcnstigsten Stromquellen. Dies unterstreicht, wie wichtig es ist, Lernraten genau zu verstehen: Bei Solar-PV wurden sie anfangs weitgehend untersch\u00e4tzt. Mit genauen Sch\u00e4tzungen der Lernkurven k\u00f6nnten wir die n\u00e4chste \u2018Solar-PV\u2019 mit hohen Lernkurven identifizieren, um den Einsatz durch politische Ma\u00dfnahmen voranzutreiben und langfristige Kosteneinsparungen zu erzielen. Ebenso k\u00f6nnten wir jede Technologie identifizieren, auf die wir uns heute festlegen, die aber nur als \u2018Technologie A\u2019 mit niedrigen Lernkurven bestehen bleiben wird. <\/p>\n\n\n\n Als Forscher auf dem Gebiet des technologischen Lernens sind wir auf einige weit verbreitete Missverst\u00e4ndnisse bez\u00fcglich der Lernrate gesto\u00dfen, die wir in diesem Blogbeitrag ausr\u00e4umen m\u00f6chten. <\/p>\n\n\n\n Ein weit verbreitetes Missverst\u00e4ndnis ist zun\u00e4chst einmal, dass Kostensenkungen durch Lernprozesse einfach mit der Zeit eintreten. Kostensenkungen ergeben sich jedoch eher im Laufe der Produktion als im Laufe der Zeit. Ohne politische Ma\u00dfnahmen oder eine Marktnachfrage, die die Produktion ankurbeln, stagnieren die Kosten. Als beispielsweise prognostiziert wurde, dass die Kosten f\u00fcr DAC-Technologien auf etwa $350\/CO2t,<\/a> Einige Leser kamen zu dem Schluss, dass dies zu gegebener Zeit einfach die Kosten sein w\u00fcrden. Es ist jedoch wichtig zu bedenken, dass diese prognostizierten Kosten von einer 2.000-fachen Steigerung der kumulierten Produktion abh\u00e4ngen und dass auch daf\u00fcr jemand investieren muss. <\/p>\n\n\n\nWas bestimmt die Lernraten? <\/h2>\n\n\n\n
![\"\"](\"https:\/\/energyblog.ethz.ch\/wp-content\/uploads\/2026\/06\/image5.svg\")
Warum es wichtig ist, die Lernraten richtig zu w\u00e4hlen <\/h2>\n\n\n\n
![\"\"](\"https:\/\/energyblog.ethz.ch\/wp-content\/uploads\/2026\/06\/image6.png\")
Missverst\u00e4ndnisse und Unklarheiten bez\u00fcglich der Lernraten <\/h2>\n\n\n\n